MATLAB的mle拟合正态分布参数(附完整代码)

在 MATLAB 中，可以使用 mle 函数来拟合数据到某个特定的概率分布，包括正态分布。“MLE” 是 “Maximum Likelihood Estimation”（最大似然估计）的缩写，这是一种常用的参数估计方法。

下面是如何使用 mle 函数来拟合正态分布参数的示例：

% 假设我们有一组来自正态分布的数据
data = randn(1000, 1);

% 使用 mle 函数拟合正态分布参数
params = mle(data, 'distribution', 'normal');

% params(1) 是估计的均值，params(2) 是估计的标准差
mu_est = params(1);
sigma_est = params(2);

在这个例子中，我们首先生成了一组来自标准正态分布的随机数据（均值为 0，标准差为 1）。然后，我们使用 mle 函数来拟合这些数据到一个正态分布，指定 ‘distribution’ 参数为 ‘normal’。mle 函数返回的结果是一个包含估计的参数的向量。对于正态分布，第一个参数是均值，第二个参数是标准差。

请注意，如果你的数据实际上并不是来自正态分布，那么使用 mle 函数拟合正态分布参数可能会得到不准确的结果。在这种情况下，你可能需要考虑其他的拟合方法或者其他的分布假设。

MATLAB代码:

clc;clear all;close all;warning off;%

data=normrnd(0,1,100,1);

x0=[2,2];% 初值
phat = mle(data,'pdf',@(x,mu,sigma) mypdffun(x,mu,sigma),'start',x0);% 调用mle函数
phat

%% 画概率图
[counts,centers]=hist(data,30);
figure;
bar(centers,counts/sum(counts)); %画出概率密度分布图
xlabel('额度','fontname','宋体');
ylabel('概率','fontname','宋体');
title('分布图','fontname','宋体');

a1=normcdf(sort(data),phat(1),phat(2));

[counts,centers]=hist(data,30);
a0=counts/sum(counts);
g=cumsum(a0);

figure;
plot(centers,g,'b*'); %画出概率密度分布图
hold on;
plot(sort(data),a1,'r');
legend({'样本','拟合'},'fontname','宋体');
xlabel('数值','fontname','宋体');
ylabel('累积概率','fontname','宋体');
title('正态分布累积概率','fontname','宋体');

function y=mypdffun(x,mu,sigma)
% 正态分布
y=1./(sigma*sqrt(2*pi)).*exp((-(x-mu).^2)/(2*sigma^2));% 概率密度函数

程序结果:

phat =

        0.0864134176671681         0.942444505587593

>>